Devido às dificuldades na fabricação, armazenamento, transporte e operação de alvos de grande porte e alta precisão, a calibração de câmeras de grande campo de visão com alta precisão continua sendo um dos desafios na área de visão computacional. Para isso, este artigo propõe um método de calibração de câmeras de grande campo de visão de alta precisão baseado em aprendizagem por reforço, utilizando o algoritmo A3C (Ator-Crítico Assíncrono com Vantagem) para otimizar a pose do pequeno alvo sob condições de grande campo de visão no método de calibração de Zhang Zhengyou, obtendo a melhor distribuição amostral da imagem do alvo grande equivalente e das características do alvo, alcançando finalmente a melhoria da precisão da calibração. Primeiramente, o problema de otimização da pose do alvo foi modelado como um jogo de Markov, então N agentes paralelos do alvo foram treinados com o algoritmo A3C em ambientes independentes para otimizar a pose do alvo, e por fim a política treinada foi aplicada à calibração da câmera de grande campo de visão. Foram realizados experimentos de calibração de câmeras com grande campo de visão de 10 m², onde o erro de reprojeção pôde ser mantido estável abaixo de 0,2 mm, representando uma melhoria de aproximadamente 50% em relação ao método de desfoque fixo e uma melhoria de aproximadamente 12,3% em comparação com o algoritmo MAPPO. O método proposto foi aplicado com sucesso em testes em túnel de vento para rotores, para medir parâmetros de movimento das pás do rotor em toda a cena, atendendo aos requisitos de alta precisão e alta estabilidade da calibração da câmera.

Grande campo de visão; otimização da pose do alvo; aprendizagem por reforço multiagente; A3C; jogo de Markov